مشکل زیرساخت شبکه و افت سرعت کاملاً برطرف شده است. در حال حاضر فعالسازی و آمادهسازی دورهها در حال انجام است. از صبر و شکیبایی شما سپاسگزاریم.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مهندسی داده ابری-بومی (Cloud-Native Data Engineering)
- آخرین آپدیت
دانلود Cloud-Native Data Engineering
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره شما را از درک مفاهیم بنیادی مهندسی داده ابری-بومی تا ساخت و مدیریت پلتفرمهای کامل داده با استفاده از Azure Databricks هدایت میکند و تکنیکهای عملی برای جذب، تبدیل، پردازش، حاکمیت و نظارت مقیاسپذیر روی دادهها را معرفی مینماید.
شما با ایجاد یک پایه قوی در مهندسی داده ابری-بومی شروع خواهید کرد و خواهید آموخت که مهندسی داده مدرن چه تفاوتی با رویکردهای سنتی دارد، چرخه عمر مهندسی داده چگونه عمل میکند و چگونه Data Lakeها، انبار دادهها (Warehouses) و Lakehouseها از نیازهای مختلف تحلیلی پشتیبانی میکنند. همچنین معماریهای ذخیرهسازی ابری-بومی را بررسی کرده و یک محیط Azure را با استفاده از Azure Databricks و Azure Data Lake Storage Gen2 راهاندازی خواهید کرد.
سپس، دوره به بررسی نحوه ساخت خطوط لوله داده (Data Pipelines) در محیط عملیاتی با استفاده از Apache Spark و Azure Databricks میپردازد. شما یاد میگیرید که دادهها را با Spark DataFrames تبدیل کنید، مجموعهدادههای قابل اطمینان را با Delta Lake مدیریت کنید و اطلاعات را از طریق لایههای داده برنزی، نقرهای و طلایی (Medallion Architecture) سازماندهی نمایید. این قابلیتها زیربنای ایجاد خطوط لوله ساختاریافته و قابل نگهداری است که میتواند حجم رو به رشد دادههای تجاری را پردازش کند.
در ادامه، دوره به سمت پردازش دادههای افزایشی (Incremental) و در لحظه (Real-time) پیش میرود. شما خطوط لوله جذب افزایشی را با Auto Loader میسازید، دادههای استریم را با استفاده از Azure Event Hubs پردازش میکنید و اجرای خطوط لوله را با Databricks Workflows سازماندهی (Orchestrate) مینمایید. این امر به شما اجازه میدهد فراتر از تبدیلهای مجزا رفته و خطوط لوله داده خودکاری توسعه دهید که به طور بهینه به تغییرات منابع داده پاسخ دهند.
در نهایت، بر مدیریت پلتفرمهای داده آماده تولید تمرکز خواهید کرد. شما حاکمیت داده (Data Governance) را با استفاده از Unity Catalog اعمال میکنید، کیفیت دادهها و اعتبارسنجی خطوط لوله را پیادهسازی کرده، مشاغل و حجمهای کاری Databricks را نظارت و عملکرد آنها را بهینه میکنید. در نهایت، تمام این قابلیتها را با ساخت یک پلتفرم داده ابری-بومی جامع (End-to-End) که دادهها را از مراحل جذب، تبدیل، اعتبارسنجی، حاکمیت و لایههای تحلیلی عبور میدهد، به کار خواهید بست.
در پایان این دوره، شما قادر خواهید بود:
- مفاهیم، معماریها و چرخه عمر مدرن مهندسی داده ابری-بومی را شرح دهید.
- Azure Databricks را پیکربندی کرده و آن را با Azure Data Lake Storage Gen2 یکپارچه کنید.
- خطوط لوله داده دستهای (Batch) مقیاسپذیر را با استفاده از Apache Spark، Delta Lake و معماری مدالین بسازید.
- خطوط لوله افزایشی و استریمینگ را با استفاده از Auto Loader و Azure Event Hubs توسعه دهید.
- خطوط لوله داده خودکار را با استفاده از Databricks Workflows سازماندهی کنید.
- پلتفرمهای داده آماده تولید را با استفاده از Azure Databricks مدیریت، اعتبارسنجی، نظارت و بهینه کنید.
این دوره برای مهندسان داده آینده، متخصصان ابری، توسعهدهندگان، تحلیلگران و متخصصان فنی که به دنبال تجربه عملی با پلتفرمهای مدرن داده ابری هستند طراحی شده و مسیری ساختاریافته از مفاهیم بنیادی تا پیادهسازی عملیاتی ارائه میدهد.
برای موفقیت در این دوره، باید درک پایهای از مفاهیم داده و آشنایی با مبانی برنامهنویسی داشته باشید. تجربه قبلی با Azure Databricks یا مهندسی داده پیشرفته ابری مورد نیاز نیست، زیرا دوره محیط و فناوریها را از طریق فعالیتهای عملی هدایتشده معرفی میکند.
مهارتهای لازم برای تبدیل دادههای خام به اطلاعات قابل اطمینان، تحت حاکمیت و آماده تحلیل را کسب کنید و پلتفرمهای داده ابری-بومی را برای حجمهای کاری مدرن مهندسی داده توسعه دهید.
سرفصل ها و درس ها
مبانی مهندسی داده ابری-بومی
Foundations of Cloud-Native Data Engineering
معرفی دوره
Course Intro
آشنایی با مهندسی داده ابری-بومی
Introduction to Cloud-Native Data Engineering
چرخه عمر مدرن مهندسی داده
Modern Data Engineering Lifecycle
پلتفرمهای داده سنتی، ابری و ابری-بومی
Traditional, Cloud, and Cloud-Native Data Platforms
دیتا لیکها، انبار دادهها و معماری Lakehouse
Data Lakes, Data Warehouses, and Lakehouse Architecture
راهاندازی محیط مهندسی داده Azure
Setting Up the Azure Data Engineering Environment
بررسی فضای کاری Azure Databricks
Exploring Azure Databricks Workspace
ایجاد و اجرای نوتبوک Databricks در Azure
Creating and Executing a Databricks Notebook in Azure
اتصال Azure Databricks به Azure Data Lake Storage Gen2
Connecting Azure Databricks with Azure Data Lake Storage Gen2
ساخت و سازماندهی خطوط لوله داده با Azure Databricks
Building and Orchestrating Data Pipelines with Azure Databricks
ساخت خطوط لوله داده دستهای با Azure Databricks
Building Batch Data Pipelines with Azure Databricks
مدیریت دادههای قابل اطمینان با Delta Lake
Managing Reliable Data with Delta Lake
لایههای داده برنزی، نقرهای و طلایی
Bronze, Silver, and Gold Data Layers
تبدیل دادهها با Apache Spark DataFrames
Transforming Data with Apache Spark DataFrames
ساخت خطوط لوله افزایشی با Auto Loader
Building Incremental Pipelines with Auto Loader
پردازش دادههای استریم با Azure Event Hubs
Processing Streaming Data with Azure Event Hubs
سازماندهی خطوط لوله داده با استفاده از Databricks Workflows
Orchestrating Data Pipelines Using Databricks Workflows
حاکمیت، کیفیت، نظارت و عملیات جامع پلتفرم داده
Governance, Quality, Monitoring, and End-to-End Data Platform Operations
نظارت و بهینهسازی حجمهای کاری Azure Databricks
Monitoring and Optimizing Azure Databricks Workloads
مدیریت حاکمیت داده با Unity Catalog
Managing Data Governance with Unity Catalog
پیادهسازی کیفیت داده و اعتبارسنجی خط لوله
Implementing Data Quality and Pipeline Validation
نظارت بر مشاغل و عملکرد خط لوله
Monitoring Jobs and Pipeline Performance
ساخت یک پلتفرم داده ابری-بومی جامع با Azure Databricks
Building an End-to-End Cloud-Native Data Platform with Azure Databricks
نمایش نظرات